待验证50% 置信观点精确时间

不同基准的测试粒度、验证方式和任务来源差异显著，跨基准比较数字时需格外谨慎

1

来源数

50%

置信度

长期有效

时效性

2026/9/11

首次发现

来源

AI编程智能体的真实水平：最佳模型仅完成35%功能开发任务

相关事实

待验证编程能力的评估通常参考HumanEval、MBPP、SWE-bench等标准化基准测试，但实际工程场景表现与基准测试结果存在差异77% 相似待验证标准基准测试衡量的是单次工具调用的格式正确性，而真实的生产级Agent失败往往发生在多步序列之中75% 相似待验证传统基准测试往往关注准确率和推理速度，但任务完成率和收敛稳定性在实际工程场景中同样重要甚至更为关键74% 相似待验证厂商自行发布的基准测试往往存在测试集选择偏向、评判标准宽松、允许多次重试等方法论问题，需要独立第三方验证74% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/903393

API

curl https://kongchang.com/api/v1/knowledge/claims/903393

MCP

get_claim(id=903393)